تشخیص تقلب در سیستم های شناسایی چهره با استفاده از معماری های ResNet۵۰، CNN و VGG۱۶

با افزایش کاربرد سیستم های شناسایی چهره در حوزه های امنیتی و احراز هویت، چالش مقابله با حملات تقلبی (Spoofing) به یکی از دغدغه های اساسی تبدیل شده است. در این مطالعه، سه مدل یادگیری عمیق شامل ResNet۵۰، شبکه عصبی کانولوشنی (CNN) سفارشی و VGG۱۶ برای شناسایی حملات تقلبی مبتنی بر تصویر مورد ارزیابی قرار گرفته اند. داده های مورد استفاده از دیتاست Anti-Spoofing جمع آوری شده اند که حاوی تصاویر و ویدیوهای واقعی و جعلی می باشد. ابتدا با استخراج فریم ها از ویدیوها و اجرای پیش پردازش هایی نظیر نرمال سازی و افزایش داده ها شامل چرخش، جابجایی، بزرگنمایی و معکوس سازی افقی، مجموعه داده آماده سازی شده است. مدل ResNet۵۰ و VGG۱۶ به صورت مدل های از پیش آموزش دیده و با استفاده از یادگیری انتقالی پیاده سازی شدند که با ثابت نگه داشتن لایه های پایه و افزودن لایه های خروجی جدید، فرآیند آموزش بهینه گردید. همچنین، شبکه CNN سفارشی از ابتدا طراحی و آموزش داده شد. نتایج ارزیابی نشان داد که مدل های مبتنی بر یادگیری انتقالی به دلیل بهره گیری از وزن های قبلی آموزش دیده شده در دیتاست های بزرگ تر مانند ImageNet، دارای سرعت همگرایی بالاتر و دقت بیشتری نسبت به مدل CNN سفارشی می باشند. این مطالعه بیانگر اهمیت بهره گیری از مدل های پیش آموزش یافته و تکنیک های افزایش داده در بهبود دقت شناسایی حملات تقلبی در تصاویر چهره می باشد. نتایج به دست آمده می تواند در بهبود امنیت سیستم های بیومتریک به ویژه در کاربردهای عملیاتی کمک شایانی داشته باشد.

کلیدواژه ها:

یادگیری عمیق ، تشخیص تقلب ، سیستم شناسایی چهره ، یادگیری انتقالی ، ResNet۵۰ ، VGG۱۶ ، شبکه عصبی کانولوشنی ، Anti-Spoofing